Adminisztratív információk
| Cím | Bevezetés az adatvédelembe |
| Időtartam | 135 perc |
| Modul | B |
| Lecke típusa | Előadás |
| Fókusz | Etikus – megbízható mesterséges intelligencia |
| Téma | Adatvédelem |
Kulcsszó
Adatvédelem, Adatvédelmi kockázat, Személyes adatok, Érzékeny adatok, Profiling, nyomon követés, anonimizálás, adatvédelem a gépi tanulásban, TOR, álnevesítés, közvetlen és közvetett azonosítók,
Tanulási célok
- A magánélet fogalmának általános megértése.
- Ismerje meg az adatvédelmi elemzés és a személyes adatok felderítésének nehézségeit és buktatóit.
- Ismerje meg az anonimizálás és az adathasznosítás közötti kompromisszumot (nincs ingyenes ebéd).
- Ismerje meg az adatbiztonság és az adatvédelem közötti különbséget.
- Ismerje meg az anonim kommunikáció és a TOR alapelveit.
- A mesterséges intelligencia és a gépi tanulás modelljei által bevezetett főbb kockázatok felismerése, vizsgálata és megvitatása
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Alapvető lineáris algebra,
- Alapvető gépi tanulás
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
Ajánlott tanároknak
- Általános adatvédelmi rendelet (GDPR)
- Személyes adatok
- Lekérdezés auditálás
- TOR
- Webes nyomon követés
- Leleplezve! A személyes adatok elleni támadások felmérése
- Differenciált adatvédelem
Utasítások tanároknak
Ez az előadás áttekintést nyújt az adatvédelemről. A webes nyomon követés, az adatmegosztás és a gépi tanulás különböző adatvédelmi problémáira, valamint néhány mérséklési technikára összpontosít. A cél a személyes adatok azonosításához és védelméhez szükséges alapvető (műszaki) háttérismeret biztosítása. A tanfolyam rávilágít arra, hogy az emberek társadalmi vagy egyénileg hasznos információi miért jelentenek kihívást a személyes adatok felfedése nélkül. Ezek a készségek a személyes és érzékeny adatokkal foglalkozó minden adat-/szoftvermérnök és adatvédelmi tisztviselő számára elengedhetetlenné válnak, és ezeket az európai általános adatvédelmi rendelet (GDPR) is előírja.
Vázlat
| Időtartam (perc) | Leírás | Fogalmak |
|---|---|---|
| 20 | Mi az a magánélet? | A magánélet mint alapvető jog. Történelem vagy magánélet. A magánélet fontossága. Az adatok szivárgásának szemléltetése; mennyit osztanak meg az emberek közvetlenül vagy közvetve? Miért jelent problémát a magánélet? A jogszabályok és a műszaki megoldások (PETS) fontossága. |
| 15 | Személyes, érzékeny, bizalmas adatok meghatározása | Fogalommeghatározás és személyes adatok a GDPR-ban. Közvetlen vs. közvetett azonosítók. Az azonosíthatóság meghatározása. Szemléltető példák. Az érzékeny adatok meghatározása a GDPR-ban, példák. Személyes vs érzékeny vs bizalmas adatok. |
| 20 | A személyes adatok szivárgásának szemléltetése: Követés | A nyomon követés célja. Webkövetés, Böngésző ujjlenyomatvétel, WiFi követés, Ultrahang követés, Föld alatti követés barométer érzékelőn keresztül, helymeghatározás az akkumulátor használatából, helymeghatározási adatok egyedisége |
| 20 | Pszichológiai profilalkotás | Óceánmodell. Az OCEAN személyiségjegyeinek következtetése a személyes adatokból. Manipuláció személyiségjegyek, politikai hirdetések révén. Pszichológiai profilalkotás fenyegetése, kognitív biztonság. |
| 20 | Anonimizálás | Az adattípusok, a különböző típusok különböző anonimizálási technikákat igényelnek. Álnév-anonimizálás, anonimizálás, újraazonosítás. Kvázi-azonosítók, k-anonimitás. Általánosítás, elnyomás, klaszterezés általános k-anonimizációs technikákként. Anonimizálás vs. hasznosság. Az anonimizálás lehetetlensége közüzemi veszteség nélkül. A k-anonimizálás problémái (háttérismeret, kereszteződési támadás). Az összesített adatok anonimizálása; az aggregálás miért nem akadályozza meg az újraazonosítást? Lekérdezés auditálás. A SUM lekérdezések ellenőrzése valós értékek felett. A lekérdezések auditálásának keménysége. Lekérdezés perturbáció, differenciált adatvédelem. |
| 20 | Névtelen kommunikáció | A névtelen kommunikáció problémája. Feladó, a vevő anonimitása, összekapcsolhatatlanság. Anonimizáló proxy. Chaum MIX, mixnet. Tor, a TOR illusztrációja. Áramkör beállítása a TOR-ban. Kilépési politika. Néhány támadás a TOR ellen. |
| 20 | Adatvédelem a mesterséges intelligenciában | Főbb adatvédelmi problémák a gépi tanulásban; tagsági következtetés, modelleltávolítás, méltányosság. A méltányossági problémák forrása (a képzéssel kapcsolatos adatgyűjtés/címkézés, a jellemzők kiválasztása, a méltányosság különböző kulturális értelmezései). Védett attribútumok. Méltányosság vakságon keresztül, redundáns kódolások (proxy attribútumok). |
| 5 | Következtetések | Miért számít a magánélet? Miért probléma a megfigyelés? Miért van valakinek rejtegetnivalója? Miért nehéz a magánélet? Milyen hatáskörökkel rendelkezik az adatvédelmi tisztviselő? Miért van szükség adatvédelmi tisztviselőkre? |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.